【授業の目的】
確率分布関数に基づく数理モデルの考え方を学ぶ。応用として統計モデルを用いたデータ分析手法を身に付けることを目的とする。
【授業の到達目標】
（１）確率モデルの概念を理解し、実際のデータに対して適切なモデルを当てはめることができる。
（２）統計モデルによる予測をプログラミングによって具体的に実装できる。
（３）統計モデルのパラメータ推定の概要を理解している。
【授業概要（キーワード）】
一般化線形モデル、状態空間モデル、マルコフ連鎖モンテカルロ法
【学生主体型授業（アクティブラーニング）について】
A-2．小レポート等により、事前学習（下調べ、調査等含む）が必要な知識の上に思考力を問う形での文章を記述する機会がある。：1～25％
【科目の位置付け】
この授業は理工学研究科博士前期課程（理学系）のディプロマ・ポリシー「研究成果を得るために必要な手法を自ら組み立てながら研究を遂行していく能力」に関係する。
【SDGs（持続可能な開発目標）】
09.産業と技術革新の基盤をつくろう
【授業計画】
・授業の方法
プレゼンテーションと板書による講義形式で授業を行う。時々レポートを課す。
・日程
主要なテーマは次の通りである。
第１回：ガイダンス
第２回：線形回帰と変数選択
第３回：ロジスティック回帰
第４回：一般化線形モデル（最大エントロピー原理）
第５回：一般化線形モデル（ポアソン回帰）
第６回：隠れ変数モデル
第７回：時系列解析（自己回帰モデル）
第８回：時系列解析（状態空間モデル）
第９回：前半のまとめ
第１０回：行列解析（シューア補行列）
第１１回：行列解析（逆行列の補助定理）
第１２回：統計モデルのパラメータ推定（カルマンフィルタ）
第１３回：統計モデルのパラメータ推定（EMアルゴリズム）
第１４回：統計モデルのパラメータ推定（モンテカルロ推定）
第１５回：後半のまとめ
【学習の方法・準備学修に必要な学修時間の目安】
・受講のあり方
（１）授業で提示された定理や数学の公式は、自分で手を動かして証明すること。
（２）わからない点がある場合は積極的に質問すること。
・授業時間外学習（予習・復習）のアドバイス
（１）レポートが課されたときは、課題を解くプログラムを提出する。
（２）授業で習った内容を教科書やインターネットで調べて、理解を深めることが不可欠である。
【成績の評価】
・基準
確率モデルの考え方を正しく理解し、基本的なデータ分析手法を身に付けていることを合格の基準とする。
・方法
講義中に課されたレポートの点数によって評価する（配分１００％）。
【テキスト・参考書】
以下の本を参考書として指定する。
Kevin P. Murphy著「Machine Learning: A Probabilistic Perspective」，The MIT Press，2012
【その他】
・学生へのメッセージ
（１）確率モデルの特徴を理解するためには、自分で試行錯誤してデータ分析の経験を積むことが大切である。
（２）受講者はMatlab、R言語、Pythonのうち、いずれかのプログラミング言語を使用できることが望ましい。
・オフィス・アワー
月曜日の12:00～13:00の間に設ける。会議や出張等で不在にすることもあるため、確実に面談したい場合は事前に予約をお願いする。連絡先は、初回の授業で周知する。
|